1 – Introduction au Machine Learning et à l’apprentissage profond

• Historique du Machine Learning et de l’Intelligence Artificielle
• Types d’apprentissage (Supervisé, semi-supervisé, non-supervisé)
• Fonctionnement des réseaux de neurones
• Types de réseaux de neurones (Feed-forward, CNN, LSTM, Transformers)
• Applications actuelles de l’IA et du ML

2 – Comprendre l’apprentissage profond génératif : concepts et principes

• Introduction à l’IA générative
• Principaux algorithmes de l’IA générative
• Aperçu des usages et applications des modèles génératifs profonds
• Enjeux et potentiel de l’IA générative
• Aperçu des impacts dans des secteurs clés tels que l’énergie et l’industrie

3 – IA et les données

• Types de données utilisés dans l’IA
• Acquisition des données
• Importance de la qualité des données
• Risques liés aux données

4 – Applications de l’IA dans divers secteurs

• Présentation des usages génériques : création de contenu, simulation, prédiction
• Illustrations d’usages diversifiés d’IA générative

5 – Gestion des risques, responsabilité et éthique dans l’IA

• Identification et gestion des risques techniques et stratégiques
• Questions éthiques : transparence, biais et réglementations

6 – Cas d’usage industrie et Energie

• Identifier et analyser des cas d’usage de l’IA
• Exemple de Cas d’usage dans les secteurs de l’Énergie et de l’Industrie

7 – Mise en Œuvre d’une solution ou d’un projet IA

• Cadrage
• Déploiement
• Évaluation de la performance des modèles et des projets IA

8 –  Cas d’usage concrets et perspectives futures dans le secteur de l’industrie et de l’Énergie

• Études de cas : projets réussis dans l’énergie et l’industrie
• Perspectives futures : tendances et innovations à venir
• Synthèse et recommandations pour l’implémentation de l’IA générative

Ce programme a été mis à jour le 21 septembre 2026.